AI-modeller og platforme
MIT-rammeværk holder AI-modeller af kaos inden for fysiske grænser

NøglepunkterRammen gennemtvinger dissipation ved design for at garantere afgrænsede baner over…
Vis mere
- Rammen gennemtvinger dissipation ved design for at garantere afgrænsede baner over vilkårligt lange prognosevinduer.
- Et modulært projektionslag anvender en indlært energibegrænsning uden at undertrykke den kaotiske variation, som modellerne skal fange.
- Ydeevne under realistisk vejr er stadig uafprøvet, så garantis effekt på langsigtede statistikker er fortsat åben.
MIT-forskere har udviklet et maskinlæringsrammeværk, der garanterer begrænsede baner for AI-modeller af kaotiske systemer. Det tager hånd om simuleringer, der under lange kørsler kan drive over i fysisk umulige værdier. MIT offentliggjorde arbejdet den 20. november 2026.
Forskningen, der er udført af ph.d.-studerende Sunbochen Tang og professorerne Navid Azizan og Themistoklis Sapsis, handler om modeller af vejr, klima, turbulens og andre ikke-lineære processer. Deres artikel i Proceedings of the National Academy of Sciences blev offentliggjort online den 12. oktober 2026 og udkom i tidsskriftets nummer for den 20. oktober 2026.
Kaotiske systemer er meget følsomme over for begyndelsesbetingelser, så selv små forskelle kan føre til markant forskellige resultater. Et neuralt netværk kan stemme overens med data i en kort periode og alligevel svigte, hvis det får lov at køre videre: Små fejl kan ophobes, indtil de simulerede værdier vokser uden grænse, selvom det virkelige system forbliver begrænset. Denne adfærd kan gøre estimater af langtidsstatistikker ugyldige, selvom det er et centralt mål med modellering af dissipative kaotiske systemer.
Garantien handler derfor om begrænset adfærd på lang sigt, ikke om præcise forudsigelser punkt for punkt langt ude i fremtiden. Målet er at bevare gyldige langtidsstatistikker uden at undertrykke de komplicerede variationer, der gør systemet kaotisk. Som Azizan udtrykte det: »Kaos betyder ikke, at hvad som helst kan ske. Disse systemer forbliver ofte begrænsede, og det bør deres modeller også gøre.«
Sådan fungerer den hårde begrænsning
Rammeværket lærer samtidig en dynamikemulator, der forudsiger, hvordan systemet udvikler sig, og en energilignende repræsentation. Denne repræsentation bruges til at konstruere en algebraisk dissipativ begrænsning i et projektionslag, som justerer modellens forudsagte udvikling. Uden for en indlært grænse skal den energilignende størrelse falde, så banerne trækkes mod det begrænsede område, samtidig med at kaotisk adfærd inden for området tillades.
Ifølge artiklen sikrer denne konstruktion dissipation gennem selve designet og giver formelle garantier for, at banerne forbliver begrænsede, uanset hvor lange prognosehorisonterne er. Den indlærte energigrænse giver også et ydre estimat af systemets mærkelige attraktor, hvis komplekse geometri gør den vanskelig at karakterisere direkte.
Tang sagde, at bløde straffe eller incitamenter, der anvendes under træningen, ikke nødvendigvis gælder, når en model, der er sat i drift, møder nye input, så ubegrænsede forudsigelser stadig er mulige. Vilkårlige grænser kan holde output inden for en valgt grænse, men de kan også begrænse modellens evne til at repræsentere komplekse træk, som den burde lære fra data. Projektionslaget er modulært og uafhængigt af modellen, så det kan fungere med forskellige arkitekturer for neurale netværk.
Demonstrationer og beslægtet forskning
MIT oplyser, at metoden i test, der spændte fra lærebogseksempler til komplekse flerdimensionelle tilfælde, fulgte de faktiske resultater tæt, mens konventionelle metoder bevægede sig over i umulige forudsigelser. De offentliggjorte demonstrationer omfatter Lorenz 96 og en reduceret model af Kuramoto–Sivashinsky-ligningen, hvor metoden gav begrænsede prognoser over lange tidshorisonter, der bevarede invariante statistikker.
En beslægtet artikel om energibegrænsede operatorer af Andrea Goertzen, Tang og Azizan blev offentliggjort den 7. juni 2026. Den introducerede et projektionslag med en eksplicit kvadratisk løsning og rapporterede stabile prognoser over lange tidshorisonter, der indfangede invariante statistikker for systemer styret af Kuramoto–Sivashinsky- og Navier–Stokes-ligningerne. Begge artikler bruger energibetingelser fra kontrolteori til at håndtere forudsigelser, hvor ubegrænset vækst forhindrer meningsfuld evaluering af langtidsstatistikker.
Tilgængelighed og den næste prøve
Algoritmerne og computerkoden er lagt ud på GitHub, og artiklen og open source-koden er tilgængelige online. Forskerne håber, at andre hold vil bygge videre på det modulære lag og afprøve det på større og mere komplekse problemer.
Holdet planlægger at afprøve gradvist større systemer og datadrevne modeller af realistiske vejrforhold. Modellernes ydeevne under realistiske vejrforhold er derfor fortsat et åbent forskningsspørgsmål: Det umiddelbare bidrag er en formel grænse for løbsk simulering, mens de næste prøver skal fastslå, hvordan denne garanti påvirker anvendeligheden af modellernes langtidsstatistikker.












